Si bien en los últimos años los esfuerzos en los modelos de riesgo de crédito han estado muy orientados a cumplir con los requerimientos regulatorios de parámetros IRB e IFRS 9, cada vez hay un mayor interés por mejorar los modelos incorporando técnicas de inteligencia artificial, existiendo mayor receptividad por parte de los supervisores.
En este sentido, muchas entidades están trabajando, con mayor o menor intensidad, en la incorporación de técnicas de inteligencia artificial para mejorar sus modelos de riesgo de crédito. En general, el foco de actuación está siendo en modelos de gestión que no tienen impacto en carteras IRB, aunque algunas entidades han utilizado o tienen previsto probar estás técnicas en carteras IRB sujetas a la aprobación del supervisor.
IA aplicada a Modelos de Riesgo de Crédito
Todo esto hace que las entidades tengan que abordar retos relacionados con el enriquecimiento y mejora de datos, el robustecimiento de la infraestructura tecnológica, asegurar la cobertura de los requerimientos regulatorios (por ejemplo, AI Act en Europa) y la cualificación de los recursos humanos.
Management Solutions tiene amplia experiencia en la incorporación exitosa de técnicas inteligencia artificial en el ámbito de modelos de Riesgo de crédito, pudiendo apoyar tanto en las distintas fases del ciclo de vida de los modelos como en los aspectos transversales (datos, infraestructura y framework y regulación) contando como acelerador con una herramienta propietaria (ModelCraftTM).
Nuestra propuesta de valor está organizada en cuatro bloques:
1. Ciclo de vida de modelos: ofrecemos nuestras capacidades analíticas en 3 ámbitos:
- Definición y priorización de casos de uso en los que aplicar técnicas de inteligencia artificial, considerando las necesidades de la entidad y los resultados en la industria.
- Soporte en desarrollo, automatización e industrialización de modelos con técnicas de machine learning, así como en el desarrollo de módulos de interpretabilidad y explicabilidad.
- Adaptación del marco de validación / auditoría del uso de IA en modelos y soporte en los ejercicios de validación y gestión de riesgo de modelo (MRM).
2. Mejora de datos mediante la identificación, captura y estructuración desde nuevas fuentes de información y mejora del entorno de control de la información y de la calidad de datos.
3. Infraestructura: apoyo en el diseño e implementación de roadmaps para la evolución de la infraestructura de desarrollo y validación de modelos de IA, realizando la migración hacia lenguajes de código abierto (e.g Python) y adaptación de la filosofía MLOPs.
4. Regulación: adaptación del framework, normativa interna, políticas y procedimientos para incorporar el adecuado tratamiento de técnicas de IA, cubriendo los requerimientos regulatorios (AI Act).